Banca de DEFESA: LUIS CARLOS DA SILVA SOARES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUIS CARLOS DA SILVA SOARES
DATA: 18/01/2023
HORA: 07:30
LOCAL: PRESENCIAL
TÍTULO:

Abordagem de aprendizado profundo para a fenotipagem de rachaduras em toras a partir de imagens em campo

PALAVRAS-CHAVES:

Análise de imagens. Melhoramento genético. Segmentação Semântica. Otimização florestal. Backbone

PÁGINAS: 50
GRANDE ÁREA: Ciências Agrárias
ÁREA: Agronomia
RESUMO:

A madeira é um produto amplamente apreciado e utilizado pelo homem. Boa parte de seu estoque advém de povoamentos florestais artificiais que fomentam diversos setores como o da construção civil e movelaria. Embora boa parte dos povoamentos apresentem bons desempenhos quanto à produção, o setor ainda lida com significativas perdas de material devido à projeção de rachaduras na madeira. Os esforços para minimizar tal problema concentram-se, principalmente, na obtenção de árvores com constituição genética com menor propensão para rachaduras. Avanços significante no âmbito de melhoramento genético para tal caráter são relatados, sobretudo, para os métodos de avaliação. Abordagens tradicionais de visão computacional se apresentam como uma excelente alternativa para a avaliação de rachaduras. Entretanto, a sua incapacidade de implementação em campo configura-se como o principal gargalo da técnica. Abordagens de fenotipagem em campo usando visão computacional, pautadas em aprendizado profundo, demonstram ser promissoras para tarefas de avaliação em campo. Assim, esse trabalho tem como objetivo propor uma alternativa para a fenotipagem de rachadura em madeira em campo por meio da avaliação de três arquiteturas de aprendizado profundo, visando a seleção daquela que melhor se adeque à tarefa proposta. Para tanto, foram usadas imagens em ambiente de campo e em ambiente controlado. O primeiro grupo de imagens passou por processos de anotação das classes (background, tora e rachadura), enquanto que para o segundo grupo foram utilizadas as máscaras anteriormente feitas por outros trabalhos. A partir das imagens de ambiente controlado foram geradas imagens sintéticas simulando o ambiente de campo, a partir da segmentação e mesclagem da tora em fotos de campo. Além disso, para a generalização do modelo, foram realizadas mesclagem de diversas texturas de madeiras. O conjunto de imagens obtidas, sintéticas e de campo, passaram por processos de data augmentation, para a ampliação do banco de dados. Ao final, foram obtidas 2.554 imagens as quais foram divididas em datasets de treino e teste, na proporção de 80% e 20% respectivamente. Foram avaliadas três arquiteturas de redes neurais convolucionais, sendo elas a U-Net, FPN e Linkinet. Os modelos foram avaliados e a seleção da melhor arquitetura se deu em função dos melhores IoU’s médios e para as rachaduras. O modelo selecionado foi validado sobre um conjunto de 20 imagens, de onde foram calculadas e comparadas a área real e estimada da rachadura. Por fim, foi empregado a Sample Evaluation, comparando a estimativa das classes com as máscaras esperadas. Com esse trabalho, observa-se que o modelo U-Net se configura como a melhor opção dentre as arquiteturas aqui avaliadas para a fenotipagem de rachaduras de toras em campo. A equidade estatística das estimativas da área das rachaduras em relação à área real aliados com a rapidez em se obter os resultados estimulam o seu emprego em tarefas de avaliação de rachaduras em programas de melhoramento florestal, ainda que o modelo apresente dificuldade ao lidar com pequenas rachaduras. Estudos futuros podem focar em estratégias que visem a melhoria de detecção das pequenas rachaduras.

MEMBROS DA BANCA:
Interno - VINICIUS QUINTAO CARNEIRO (Membro)
Externo à Instituição - JULIANA JERÁSIO BINACHE - UFV (Suplente)
Externo à Instituição - IZABEL CRISTINA RODRIGUES DE FIGUEIREDO - UFLA (Membro)
Presidente - FLAVIA MARIA AVELAR GONCALVES (Membro)
Interno - EVANDRO NOVAES (Suplente)
Externo à Instituição - BRUNO OLIVEIRA LAFETÁ - IFMG (Membro)